Méthode adaptée aux problèmes

Deep learning

Contact us

Traditionnelle

Machine learning

Deep learning

Le deep learning en bref

Le deep learning s’appuie sur un réseau de neurones artificiels composé de plusieurs couches, chacune d’entre elle reçoit et interprète les informations reçues par la couche précédente. Les réseaux de neurones s'inspirent du cerveau humain. Apparu dans les années 2010, le deep learning est une approche qui permet d'obtenir des performances qui croient en fonction de la quantité et de la qualité des données. Les performances sont d'avantages liés à la donnée qu’à l’approche. C’est une science qui utilise l’apprentissage supervisé mais avec une architecture qui diffère car elle est composée de milliers d’unités (également appelées neurones). Ce qui diffère c’est le fonctionnement par “couche”. En effet chaque neurone va servir d’entrée au calcul des suivants, c’est pour cette raison qu’on qualifie l’apprentissage de “profond”.

Des exemples de technologies

Modèle de segmentation

Grâce à la computer vision cette IA permet de détecter l’avancée d’une tumeur au cerveau à partir d’image IRM, utile au diagnostic au suivi et à la planification de la maladie. Elle est utilisée dans l’aide au diagnostic médical et la détection de tumeurs et de cancers.

Réseaux de neurones récurrents (LSTM)

L'analyse des données d'une entreprise peut permettre de prédire les ventes selon de nombreux critères préalablements selectionnés. Ce réseau de neurones permet d'optimiser la gestion des stocks et de limiter les pertes.

Modèle de NER

Cette IA permet de comparer deux versions d'un même document, d'extraire les modifications qui changent le sens du texte, d'identifier les points importants et de prioriser. Elle est notamment utilisée dans la relecture et l'analyse de documents juridiques.